本書由百度硅谷一線工程師和IEEE計算機協會**聯袂編著，作者團隊在各自的領域造詣深厚，有著豐富的無人駕駛汽車技術研究開發經驗，很適合作為無人駕駛/自動駕駛/智能車輛總體認識和技術入門圖書來閱讀。本書由吉林大學馬芳武教授無人駕駛團隊翻譯。

《無人駕駛：人工智能如何顛覆汽車》是為從事無人駕駛車輛(智能網聯汽車)開發相關工作人員的入門技術書。作者分享了他們打造無人駕駛車輛繫統的實踐經驗。本書由9章組成，第1章概述了無人駕駛繫統；第2章著重介紹無人駕駛車輛定位技術；第3章討論了傳統的環境感知技術；第4章討論基於深度學習的環境感知技術；第5章介紹了行為預測和路徑規劃技術；第6章著重介紹運動決策、規劃與控制子繫統的反饋控制；第7章介紹基於增強學習的規劃和控制技術；第8章深入研究無人駕駛客戶端繫統的設計細節；第9章詳細介紹了無人駕駛雲平臺。 本書對在校學生、研究人員和相關從業人員都大有益處。無論你是本科生還是研究生，隻要對無人駕駛感興趣，都可以在這裡找到無人駕駛技術的全面介紹。

劉少山博士是PerceptIn的主席和創始人之一，他的研究重點是計算機架構、大數據平臺、深度學習基礎框架和機器人技術，他曾擔任百度硅谷無人駕駛繫統團隊負責人。 李力耘博士現於百度硅谷研究中心擔任軟件架構師。作為百度無人駕駛團隊的早期成員之一，他一直在主導和推進其無人駕駛技術的開發，包括百度無人駕駛車輛的智能行為決策、運動規劃和車輛控制等。 唐潔博士現擔任華南理工大學計算機科學與工程學院副教授。 吳雙博士現為Yitu公司科學家，曾擔任百度硅谷人工智能實驗室高級研究員，在百度USDC擔任高級架構師。 瓊盧克﹒高迪奧特（Jean﹣Luc Gaudiot）博士目前擔任加州大學歐文分校電子工程和計算機科學繫教授，他曾擔任IEEE內部多種職位，並於2017年當選為IEEE計算機協會主席。

第１ 章無人駕駛繫統簡介
１.１　無人駕駛技術概述／ ００２
１.２　無人駕駛算法／ ００２
１.２.１　傳感／ ００３
１.２.２　感知／ ００４
１.２.３　目標識別與跟蹤／ ００６
１.２.４　決策／ ００６
１.３　無人駕駛客戶端繫統／ ００８
１.３􀆰 １　機器人操作繫統／ ００８
１.３􀆰 ２　硬件平臺／ ０１１
１.４　無人駕駛雲平臺／ ０１１
１.４.１　仿真模擬／ ０１１
１.４.２　高精度地圖生成／ ０１２
１.４.３　深度學習模型訓練／ ０１３
１.５　一切剛剛開始／ ０１４
第２ 章無人駕駛車輛的定位繫統
２.１　采用**導航衛星繫統定位／ ０１５
２.１.１　ＧＮＳＳ 概述／ ０１５
２.１.２　ＧＮＳＳ 誤差分析／ ０１７
２.１.３　星基增強繫統／ ０１８
２.１.４　載波相位差分技術和差分ＧＮＳＳ ／ ０１９
２.１.５　**點定位／ ０２０
２.１.６　**定位繫統和慣性導航繫統的融合／ ０２２
２.２　采用激光雷達和高精度地圖定位／ ０２３
２.２.１　激光雷達概述／ ０２３
２.２.２　高精度地圖概述／ ０２６
２.２.３　激光雷達和高精度地圖定位／ ０３０
２.３　視覺裡程計／ ０３４
２.３.１　立體視覺裡程計／ ０３５
２.３.２　單目視覺裡程計／ ０３６
２.３.３　視覺慣性裡程計／ ０３６
２.４　航位推算和輪式裡程計／ ０３８
２.４.１　輪式編碼器／ ０３８
２.４.２　輪式裡程計誤差／ ０３９
２.４.３　減少輪式裡程計誤差／ ０４０
２.５　多傳感器融合／ ０４２
２.５.１　卡內基梅隆大學無人駕駛城市挑戰賽車Ｂｏｓｓ ／ ０４２
２.５.２　斯坦福大學無人駕駛城市挑戰賽車Ｊｕｎｉｏｒ ／ ０４４
２.５.３　梅賽德斯－奔馳無人駕駛車Ｂｅｒｔｈａ ／ ０４５
參考文獻／ ０４７
第３ 章無人駕駛的感知繫統
３.１　概述／ ０５１
３.２　數據集／ ０５２
３.３　目標識別／ ０５４
３.４　語義分割／ ０５６
３.５　立體視覺、光流和場景流／ ０５８
３.５.１　立體視覺與深度信息／ ０５８
３.５.２　光流／ ０５９
３.５.３　場景流／ ０５９
３.６　目標跟蹤／ ０６１
３.７　總結／ ０６３
參考文獻／ ０６４
第４ 章深度學習在無人駕駛感知繫統中的應用
４.１　卷積神經網絡／ ０６８
４.２　目標檢測／ ０６９
４.３　語義分割／ ０７２
４.４　立體視覺和光流／ ０７５
４.４.１　立體視覺／ ０７５
４.４.２　光流／ ０７６
４.５　總結／ ０７９
參考文獻／ ０８０
第５ 章預測與路徑規劃
５.１　規劃與控制模塊概覽／ ０８２
５.１.１　架構： 廣義上的規劃與控制／ ０８２
５.１.２　各個模塊的範圍：以模塊的方式解決問題／ ０８４
５.２　交通預測／ ０８７
５.２.１　將行為預測作為分類問題／ ０８８
５.２.２　車輛軌跡生成／ ０９３
５.３　車道級的路徑規劃／ ０９４
５.３.１　為路徑規劃創建權重有向圖／ ０９６
５.３.２　典型的路徑規劃算法／ ０９８
５.３.３　規劃圖損失： 強弱路徑規劃／ １０２
５.４　總結／ １０３
參考文獻／ １０３
第６ 章決策、規劃和控制
６.１　行為決策／ １０５
６.１.１　馬爾可夫決策過程方法／ １０７
６.１.２　基於場景的分治法／ １０９
６.２　運動規劃／ １１６
６.２.１　車輛模型、道路模型、ＳＬ 坐標繫／ １１８
６.２.２　劃分為路徑規劃和速度規劃的運動規劃／ １１９
６.２.３　劃分為縱向規劃和橫向規劃的運動規劃／ １２６
６.３　反饋控制／ １３０
６.３.１　自行車模型／ １３０
６.３.２　ＰＩＤ 控制／ １３２
６􀆰 ４　總結／ １３３
參考文獻／ １３４
第７ 章基於增強學習的規劃和控制
７.１　概述／ １３６
７.２　增強學習／ １３８
７.２.１　Ｑ⁃學習／ １４０
７.２.２　ＡＣＴＯＲ⁃ＣＲＩＴＩＣ 方法／ １４４
７.３　無人駕駛中基於學習的規劃和控制／ １４６
７.３.１　行為決策中的增強學習／ １４７
７.３􀆰.２　基於增強學習的規劃和控制／ １４７
７.４　總結／ １５０
參考文獻／ １５０
第８ 章無人駕駛客戶端繫統
８.１　無人駕駛繫統： 一個復雜的繫統／ １５２
８.２　無人駕駛的操作繫統／ １５４
８.２.１　ＲＯＳ 綜述／ １５４
８.２.２　繫統可靠性／ １５６
８.２.３　性能優化／ １５７
８.２.４　資源管理與安全性／ １５７
８.３　計算平臺／ １５８
８.３.１　計算平臺的實現／ １５８
８.３.２　現有的計算解決方案／ １５９
８.３.３　計算機體繫結構設計的探索／ １６０
參考文獻／ １６４
第９ 章無人駕駛雲平臺
９.１　概述／ １６５
９.２　基礎架構／ １６６
９.２.１　分布式計算框架／ １６７
９.２.２　分布式存儲／ １６７
９.２.３　異構計算／ １６８
９.３　仿真模擬／ １７０
９.３.１　ＢｉｎＰｉｐｅＲＤＤ ／ １７１
９.３.２　連接ＲＯＳ 與Ｓｐａｒｋ 引擎／ １７２
９.３􀆰 ３　性能表現／ １７３
９.４　模型訓練／ １７３
９.４.１　為什麼使用Ｓｐａｒｋ 引擎／ １７４
９.４.２　訓練平臺架構／ １７５
９.４.３　異構計算／ １７６
９.５　高精度地圖生成／ １７６
９.５.１　高精度地圖／ １７７
９.５.２　雲端地圖生成／ １７８
９.６　總結／ １７９
參考文獻／ １７９